⑴ 關於GAN生成式對抗網路中判別器的輸出的問題
...
摘要
生成式對抗網路GAN（Generative adversarial networks）目前已經成為人工智慧學界一個熱門的研究方向.GAN的基本思想源自博弈論的二人零和博弈，由一個生成器和一個判別器構成，通過對抗學習的方式來訓練.目的是估測數據樣本的潛在分布並生成新的數據樣本.在圖像和視覺計算、語音和語言處理、信息安全、棋類比賽等領域，GAN正在被廣泛研究，具有巨大的應用前景.本文概括了GAN的研究進展，並進行展望.在總結了GAN的背景、理論與實現模型、應用領域、優缺點及發展趨勢之後，本文還討論了GAN與平行智能的關系，認為GAN可以深化平行系統的虛實互動、交互一體的理念，特別是計算實驗的思想，為ACP（Artificial societies，computational experiments，and parallel execution）理論提供了十分具體和豐富的演算法支持.
更多
出版源
《自動化學報》 , 2017 , 43 (3) :321-332
⑵ 用GAN 輸入圖片預測未來的圖片，但為什麼生成的圖和輸入差不多，和用作標簽的圖片不一樣
參數不對，大概是訓練的樣本太少，或者是訓練的次數太小。
⑶ 要學GAN（神經對抗網路），應該從什麼學起
GAN最開始是設計用於生成連續數據，但是自然語言處理中我們要用來生成離散tokens的序列。因為生成器(Generator，簡稱G)需要利用從判別器(Discriminator，簡稱D)得到的梯度進行訓練，而G和D都需要完全可微，碰到有離散變數的時候就會有問題，只用BP不能為G提供訓練的梯度。在GAN中我們通過對G的參數進行微小的改變，令其生成的數據更加「逼真」。若生成的數據是基於離散的tokens，D給出的信息很多時候都沒有意義，因為和圖像不同。圖像是連續的，微小的改變可以在像素點上面反應出來，但是你對tokens做微小的改變，在對應的dictionary space裡面可能根本就沒有相應的tokens.
2.GAN只可以對已經生成的完整序列進行打分，而對一部分生成的序列，如何判斷它現在生成的一部分的質量和之後生成整個序列的質量也是一個問題。
⑷ 為什麼GAN的生成器產生的都是小數
GAN 的原論文中的證明會有一些不嚴謹的地方，並且在演算法中為了訓練效率更高，也有很多簡化，其實這也是這個領域的一個常見現象，在北大的深度學習的數學原理的暑期課上，老師就提到過 深度學習中數學嚴謹證明占 6 成 。
言外之意就是該領域的證明過程並沒有純數學的那麼嚴謹，當從計算機科學工程師角度去推導證明的時候，往往會有跟實際相悖的前提假設，但是從該假設推導出來的結論卻是與實驗結果相符或者該結論會對解決實際問題中有一定的指導意義。
該作者是一個數學底蘊很強的 AI 研究者，該論文的目的是試圖從數學的角度對 GANs 進行概述，是一篇不可多得好有關 GAN 數學原理的理論性文章，論文中涉及到大量的數學原理和很多讓人眼花繚亂的數學符號，可以把它當成一個 GAN 的理論手冊，對哪一塊感興趣就可以認真研讀一番 。
GAN背景介紹
榮獲圖靈獎品有深度學習三劍客之稱的 Yann LeCun 稱曾表示「GAN 的提出是最近 10 年在深度學習中最有趣的想法」。
下圖表示這 2014 到 2018 年以來有關 GAN 的論文的每個月發表數量，可以看出在 2014 年提出後到 2016 年相關的論文是比較少的，但是從 2016 年，或者是 2017 年到今年這兩年的時間，相關的論文是真的呈現井噴式增長。
GAN 的應用十分廣泛，它的應用包括圖像合成、圖像編輯、風格遷移、圖像超解析度以及圖像轉換，數據增強等
⑸ 三階魔方gan教程標記問題
括弧
指
邊
作連貫起
做
做公式
節奏問題
作
段
括弧外邊
2
說括弧
作做兩
跟
數
所
第二張圖四周
短橫代表
黃色塊
頂層側邊
布位置
OLL
步
觀察黃色塊
布
判斷應用哪
條OLL公式進行復原
⑹ 深度卷積gan的訓練和測試階段有什麼區別
多項式插值： 先設插值多項式函數為， 將各節點的函數值代入多項式里，便得到個等式，得到一個關於多項式里系數的線性方程組，解此線性方程組，便得到所要求的插值多項式。 三次樣條插值：
⑺ 怎樣准備自己的數據用於GAN的訓練
1.把數據轉化成leveldb或者是lmdb格式
2.編寫好net和solver的prototxt文件
3.在命令行下輸入caffe.exe train -solver XX.prototxt（solver的文件）或者在bat文件里輸入那個指令並運行
⑻ gan如何做圖像增強
對於圖像問題，卷積神經網路相比於簡單地全連接的神經網路更具優勢。
本文將繼續深入 GAN，通過融合卷積神經網路來對我們的 GAN 進行改進，實現一個深度卷積 GAN。
如果還沒有親手實踐過 GAN 的小夥伴可以先去學習一下上一篇專欄：生成對抗網路（GAN）之 MNIST 數據生成。
本次代碼在 NELSONZHAO/hu/dcgan，裡麵包含了兩個文件：
dcgan_mnist：基於 MNIST 手寫數據集構造深度卷積 GAN 模型
dcgan_cifar：基於 CIFAR 數據集構造深度卷積 GAN 模型
本文主要以 MNIST 為例進行介紹，兩者在本質上沒有差別，只在細微的參數上有所調整。由於窮學生資源有限，沒有對模型增加迭代次數，也沒有構造更深的模型。並且也沒有選取像素很高的圖像，高像素非常消耗計算量。
本節只是一個拋磚引玉的作用，讓大家了解 DCGAN 的結構，如果有資源的小夥伴可以自己去嘗試其他更清晰的圖片以及更深的結構，相信會取得很不錯的結果
⑼ 深度學習：gan生成對抗網路理想情況下是不是生成的都是訓練集原有的圖片
不是的，理想狀況生成的是訓練集原有圖像的組合變換圖像，該圖像和原有圖像有所相似但又不盡相同。
舉個人臉生成的例子來說就是生成了一個假臉，這個假臉和訓練集中的圖像可能臉型相同，但是眼睛和鼻子不同，也可能是其他地方有所不同，但整體屬於人臉的范疇。如果訓練到完全擬合的話，最終生成的圖像就會是訓練集原有的圖像，因為只有訓練集的圖像能通過驗證，其他圖像都不會通過驗證，但實際上是不可能做到的，只要是訓練就會有誤差，最終會生成高度相似的假臉。
⑽ 利用gan生成的樣本能作為訓練用嗎
深度學習的模型有很多，既有生成模式也有判別模式， 目前開發者最常用的深度學習模型與架構包括 CNN卷積神經網路、DBN深度信念網路、RNN循環神經網路、RNTN遞歸神經張量網路、自動編碼器、GAN 生成對抗模型等。機器學習方法可以分為生成方法（generative approach）和判別方法（discriminative approach），所學到的模型分別稱為生成式模型（generative model）和判別式模型（discriminative model）。生成方法通過觀測數據學習樣本與標簽的聯合概率分布P(X, Y)，訓練好的模型能夠生成符合樣本分布的新數據，它可以用於有監督學習和無監督學習。判別模型：將跟蹤問題看成一個二分類問題，然後找到目標和背景的決策邊界。它不管目標是怎麼描述的，那隻要知道目標和背景的差別在哪，然後你給一個圖像，它看它處於邊界的那一邊，就歸為哪一類。